Mitsubishi Electric Fabrika Otomasyon Sistemleri Ürün Yönetimi ve Pazarlama Birim Müdürü Tolga Bizel, tescilli yapay zeka algoritmaları MAISART ile verileri işlerken hesaplama miktarını sadece 1/30 ile 1/100’ü olacak kadar başarılı bir şekilde sıkıştırdıklarını, bunun da derin öğrenmeyi çeşitli cihazlarda uygulamayı mümkün kıldığını ve yapay zeka potansiyelini daha da genişlettiğini ifade etti.

"MAKİNA VE SİSTEMLER BİRBİRİYLE HABERLEŞİYOR"

TMMOB Elektrik Mühendisleri Odası (EMO) iş birliğiyle paydaşlarıyla bir araya gelmeye devam eden firma, son olarak Mitsubishi Electric Fabrika Otomasyon Sistemleri Ürün Yönetimi ve Pazarlama Birim Müdürü Tolga Bizel'in "Fabrikaların Dijital Dönüşümü/e-F@ctory/MAISART" konusuyla dijitalleşme ve yapay zeka alanındaki gelişmeleri paylaştı.  

Sanayi 4.0'a yanıt veren dijital fabrika konsepti e-F@ctory ile ilgili bilgiler paylaşan Bizel, "Üretim hattındaki tüm makina ve sistemlerin internet üzerinden haberleşmesini sağlayan altyapımız, fabrikadaki yöneticilerin sisteme ve raporlara uzaktan erişmesine imkan tanıyarak 7/24 kontrol fırsatı sunuyor. Üretimde çok yüksek hız, maliyet tasarrufu, kalite ve verimlilik artışı sağlayan e-F@ctory, sanayicilere küresel rekabette bir adım önde olmanın yolunu açıyor." ifadelerini kullandı.

Tescilli yapay zeka (AI) markaları MAISART teknolojisinin, makina öğrenmesi algoritmasını kullanarak sensör verilerini analiz ettikten sonra farklı operasyonel durumlar arasında üretim makinası geçişine ilişkin bir model oluşturduğunu ve böylece fabrika ve tesislerde verimliliği artırmak üzere, makinalardaki anomalileri hızlı ve doğru bir şekilde belirlemeye olanak tanıdığına dikkat çekti.

"HESAPLAMA MİKTARINI SIKIŞTIRIYORUZ"

Fabrika otomasyonunu, otomobilleri ve diğer ekipmanları derin öğrenme yöntemiyle donatmanın zorluğuna değinen Bizel, küçük cihazlara yüksek performanslı bilgi işlem cihazları ve yüksek kapasiteli bellek eklemenin de kolay olmadığını ve yüksek düzeyde çıkarım doğruluğunu korurken hesaplama miktarını büyük ölçüde azaltan MAISART teknolojisini kullandıklarını dile getirdi:

"Bir sinir ağının girdi ve çıktı katmanları, birbirine tıpkı ağaç dallarının yayılması gibi karmaşık şekillerle bağlanıyor. Verileri bu şekilde işlemek çok büyük miktarda hesaplama gerektiriyor. Uzun yıllara dayanan makine bilgimizden yararlanarak daha az gerekli olan ‘dalları keserek’ hesaplama miktarını sadece 1/30 ile 1/100’ü olacak kadar başarılı bir şekilde sıkıştırdık. Bu gelişim, derin öğrenmeyi çok çeşitli cihazlarda uygulamayı mümkün kılarak AI potansiyelini daha da genişletiyor."

"DENEME SAYISINI, TOPLAMIN 1/50'SİNE DÜŞÜRDÜK"

Ön öğrenme denemelerinin sayısını azaltmanın ve başarı derecesini tahmin edebilmenin makina öğreniminde kilit öneme sahip olduğunu vurgulayan Bizel, “Pekiştirmeli öğrenme, bir insanın bir programla kurallar koymasını gerektirmiyor. Diğer taraftan öğrenme çok zaman alabiliyor, çünkü makina öğrenmesi için çok sayıda deneme gerekiyor. Teknolojimizle, deneme sayısını geleneksel toplamın yaklaşık 1/50’sine kadar düşürdük. Geleneksel pekiştirmeli öğrenme, deneme sayısını algılıyor ve değerlendirmeye dayalı kontrol parametrelerini belirliyor." dedi.

Teknolojilerinin yapay zekaya hangi hareketlerin ekipmanı hedef duruma daha hızlı yaklaştıracağı konusunda geri bildirim gönderdiğini kaydeden Bizel, böylece daha az denemeyle öğrenmeye imkan vererek, uygulamanın zamanını ve maliyetini azaltmayı da mümkün kıldığını sözlerine ekledi.